An LSTM-Based Predictive Monitoring Method for Data with Time-varying Variability
基于 LSTM 的时变变异数据预测监控方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确处理序列预测、时变变异和传感器时间序列，支持时间序列分类，但未涉及宏观经济预测应用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于 LSTM 的时变变异数据预测监控方法
- 研究问题
- 当序列数据的变异程度随时间变化时，能否利用神经网络预测区间构造控制图，及时发现均值偏移与异常？
- 方法与思路
- 作者以长短期记忆网络的预测区间构建控制图，通过模拟比较其他神经网络监控方法，并应用于传感器时间序列。
- 材料陈述的贡献
- 摘要称，该方法在所设模拟中具有更好的均值偏移检测表现，传感器数据应用也展示了异常检测的有效性。
- 阅读关注点
- 应核对预测区间构造、控制限校准、误报率和检测延迟的比较方式，以及训练与监控期间变异变化的处理。
- 阅读边界
- 所给来源为 arXiv 预印本，同行评审未经核实；摘要未提供区间覆盖率、实验数值或更少假设的具体含义。
原文摘要
The recurrent neural network and its variants have shown great success in processing sequences in recent years. However, this deep neural network has not aroused much attention in anomaly detection through predictively process monitoring. Furthermore, the traditional statistic models work on assumptions and hypothesis tests, while neural network (NN) models do not need that many assumptions. This flexibility enables NN models to work efficiently on data with time-varying variability, a common inherent aspect of data in practice. This paper explores the ability of the recurrent neural network structure to monitor processes and proposes a control chart based on long short-term memory (LSTM) prediction intervals for data with time-varying variability. The simulation studies provide empirical evidence that the proposed model outperforms other NN-based predictive monitoring methods for mean shift detection. The proposed method is also applied to time series sensor data, which confirms that the proposed method is an effective technique for detecting abnormalities.